别再瞎搭框架！Agent开发核心：先练就“神技能“再组队

LLM是大脑，但大脑不长腿

做Agent开发的人对LLM的理解基本分两个极端。

一种是觉得GPT-4什么都能干。写一个2000字的system prompt，把业务逻辑全塞进去，让模型又当裁判又当运动员。跑几次发现时灵时不灵，开始疯狂加"你必须"“请注意”“千万不要”。调了一周，成功率从60%到了75%，然后卡住了。

这不是prompt engineering，这是拿锤子拧螺丝。

另一种反过来，觉得LLM就是个会幻觉的文本生成器，不能信。于是核心逻辑全部硬编码，LLM只负责做格式转换之类的边角工作。花大价钱调API，干的活正则表达式就能搞定。

LLM真正厉害的就三件事：理解模糊意图（用户说了句含含糊糊的话，它能猜到意思，传统NLP做不到这个）、综合判断（给它三份互相矛盾的信息，它能给个合理结论，不需要你写规则引擎）、决策路由（这任务该调哪个工具、分几步做，它天生会规划）。

它不行的也是三件事：精确计算、实时信息、确定性输出。小数乘法都可能算错。不知道今天股价。同样输入每次输出不一样。

大脑负责想，不负责看、听、动手。你得给它配眼睛和手脚。

Skill不是prompt

很多人听到Skill第一反应是"写个好prompt"。

差远了。

去年我也这么想的。给LLM写了一段精心调教的投研分析prompt，效果时好时坏，好的时候我觉得自己是天才，坏的时候想砸键盘。后来花了大概两个月才想明白：prompt只是Skill的四分之一。

一个Skill至少包含四样东西：

Prompt和Skill的区别就俩字：边界，验证。

没有边界的prompt像让实习生"去把这事儿办了"。有边界有验证的Skill是给实习生一份SOP。他可能做得慢，但大概率不会做错。

为什么顺序必须是 Skill → Agent

大多数人做Agent的路径：先想一个宏大目标（“自动写研报的Agent”），然后选个框架（LangChain、CrewAI随便挑），定义几个角色，写几段prompt，串起来跑一下。

第一次跑居然有输出。质量一般但能跑通，很兴奋。

然后就开始了无尽的痛苦。Agent A输出传给Agent B格式对不上。Agent B理解错了意思输出一堆废话。Agent C拿废话继续跑，输出更离谱。去修B的prompt，改好了，A又出问题了。一个礼拜了还在调prompt。

这就好比你组了支乐队。演出曲目选好了，舞台动线排好了，指挥棒一挥——鼓手不会打鼓，吉他手只会三个和弦，主唱跑调。请问你的编排有意义吗？

Agent的质量上限等于它最弱的那个Skill。

这话我踩完坑才真正理解。一个不靠谱的Skill单独用成功率80%，听起来还行对吧？

串三个：0.8 x 0.8 x 0.8 = 51.2%。串五个？32.8%。三次里成功一次，这不是产品，这是碰运气。

一个真实的失败时间线

去年见过一个做AI尽职调查的团队。

第1周搭框架，选了CrewAI，定义5个Agent角色（文档解析、财务分析、风险评估、法律审查、报告撰写），架构图很漂亮。第2-3周写prompt，每个大概500-800字，跑了几次有输出，给投资人看了demo。

然后第4周到第12周，整整两个月，就在调。文档解析漏提关键条款。财务分析数字偶尔对不上。风险评估忽左忽右。改一个Agent的prompt另一个就出问题。第9周开始怀疑是框架的锅，换了LangGraph，花两周重构。问题一样。

第13周项目搁置。

问题不在框架也不在LLM。是他们没有一个Skill真正打磨好。文档解析没定义"解析成功"的标准。财务分析没约束输出格式。风险评估prompt里写了"请综合判断"——什么叫综合？标准是什么？五个半成品拼一起，不是一个产品，是五倍的混乱。

如果让我重新来

前两个月：只做一个Skill

就挑一个，比如"财务数据提取"。定义清楚输入是什么（PDF年报还是财报URL），输出是什么（JSON，哪些字段，什么类型，取值范围），成功标准是什么（字段完整率>95%，数值误差<1%）。给LLM配上PDF解析器和表格识别器，限定只读权限。然后跑50个不同类型的年报。修。再测。再修。

两个月后成功率从70%到了95%。20次错1次。这才叫靠谱。

第三个月：第二个Skill

比如"风险因子识别"。同样的流程，但这次快得多——第一个Skill里积累的经验全都能复用。一个月搞定，成功率93%。

第四个月：串Agent

两个93%以上的Skill串起来：0.93 x 0.93 = 86.5%。加上Agent层的重试和人工兜底，实际可用率90%以上。

时间差不多，结果天差地别。

所以Agent到底是什么

Agent = LLM + 一组Skill + 编排逻辑。

LLM负责理解意图、规划步骤、做判断。Skill负责真正干活，每一步有明确的输入输出和验证。编排逻辑把它们串起来，处理异常、重试、回退。

优先级：先有靠谱的Skill，才有靠谱的Agent。先有靠谱的Agent，才值得去优化编排。LLM的能力是底座，但不是你需要操心的部分，模型厂商会持续升级。你要做的是把Skill和编排做好。

给自己做个检查

如果你正在做Agent项目，问自己：

1. 你的Agent用了几个Skill？每个成功率多少？你测过吗？
2. 每个Skill有没有明确的输入输出契约？
3. 有没有验证环节？你怎么知道这次执行成功了？
4. 每个Skill能不能单独拎出来跑，不依赖其他Skill？
5. 某个Skill失败了Agent知道吗？会怎么处理？

五个问题三个以上答不上来，你可能需要停下来回到Skill层重新打磨。别觉得是倒退。这是你能做的最大的加速。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】